基于EEMD-Kmeans-ALO-LSTM的短期光伏功率预测

摘要：

光伏功率预测对电网调度具有重要意义.针对光伏功率数据具有较强波动性和不稳定性的特点,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)、K均值聚类算法(Kmeans clustering algorithm,Kmeans)和蚁狮优化(ant lion optimization,ALO)算法优化的长短期记忆神经网络(long short-term memory network,LSTM)的光伏功率组合预测模型.对光伏功率数据进行EEMD分解,得到相应的本征模态分量(intrinsic mode function,IMF)和残差项;引入Kmeans聚类对分解后的序列重构,降低序列复杂度和分量数量;将重构后的子序列输入经ALO优化的LSTM模型进行预测,并将各序列预测结果简单加和作为最终预测值.与目前应用较广泛的EEMD-LSTM模型对比,表明EEMD-Kmeans-LSTM和EEMD-Kmeans-ALO-LSTM模型的预测精度均得到一定程度的提高.

关键词：Kmeans聚类、集成经验模态分解、蚁狮优化算法、长短期记忆神经网络、光伏功率预测

所属期刊栏目：47

分类号：TM615(发电、发电厂)

资助基金：国家自然科学基金;珠海市产学研项目;佛山市深入推进创新驱动助力工程项目

在线出版日期：2023-02-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：103-107